חיזוי אשפוז חוזר לא מתוכנן באמצעות למידת מכונה ובניית מחשבון מקוון לחולים קשישים לאחר אירוע מוחי איסכמי קל

## מה בדקו
החוקרים ביקשו לזהות גורמי סיכון עצמאיים המנבאים אשפוז חוזר לא מתוכנן בקרב 1,050 מטופלים בני 60 ומעלה שלקו באירוע מוחי איסכמי קל בין השנים 2023-2024. נעשה שימוש בארבעה מודלים של למידת מכונה (LightGBM, XGBoost, Random Forest ו-KNN) כדי לנבא את הסיכון לאשפוז חוזר בתוך 30 יום. מודל ה-LightGBM נבחר כטוב ביותר, והשימוש במסגרת SHAP אפשר להבין אילו משתנים השפיעו ביותר על החלטות המודל.

מה מצאו

המחקר זיהה מספר גורמי סיכון משמעותיים לאשפוז חוזר, ובהם גיל, עישון, מדדי AIP ו-TyG, ציון HALP וקיום של שתי מחלות רקע או יותר. מודל ה-LightGBM הפגין ביצועים מצוינים עם AUC של 0.884 ודיוק של 82.9%. כלי החיזוי המקוון שפותח על בסיס מודל זה מספק כלי עבודה קליני מעשי להערכת סיכונים אינדיבידואלית, אם כי החוקרים מציינים כי הכלי דורש תיקוף חיצוני נוסף במחקרים עתידיים.

“כלי החיזוי המקוון שפותח על בסיס מודל זה מספק כלי עבודה קליני מעשי להערכת סיכונים אינדיבידואלית, אם כי החוקרים מציינים כי הכלי דורש תיקוף חיצוני נוסף במחקרים עתידיים.”